引言
人工智能技术的采用速度前所未有。仅在美国，就有40%的员工报告在工作中使用AI，这一数字在2023年仅为20%。1 如此快速的采用反映了这项技术对广泛应用的实用性、在现有数字基础设施上的可部署性以及无需专门培训即可通过打字或语音轻松使用的特点。前沿AI的持续改进很可能在这些方面强化了快速采用的趋势。
历史上，新技术需要数十年才能实现广泛采用。电力在城市电气化后花了30多年才进入农村家庭。首批面向大众市场的个人电脑于1981年进入早期采用者手中，但在美国大多数家庭中普及又花了20年时间。即使是快速普及的互联网也大约花了五年时间才达到AI在两年内实现的采用率。2
为什么会这样？简而言之，新技术——即使是变革性的技术——需要时间才能在整个经济中扩散，消费者采用需要减少地域集中度，企业需要重组业务运营以最好地解锁新的技术能力。企业的采用——首先针对有限的任务集，然后针对更通用的应用——是重要技术传播并产生变革性经济影响的重要方式。3
换句话说，早期技术采用的一个标志是它具有"集中性"——既集中在少数地理区域，也集中在企业中的少数任务上。 正如我们在本报告中记录的那样，AI采用在21世纪似乎遵循了类似的模式，尽管时间线比20世纪的技术扩散更短，强度更大。
为了研究这种早期AI采用模式，我们沿着两个重要维度扩展了Anthropic经济指数，引入了Claude.ai对话的地理分析以及企业API使用的首次分析。我们展示了Claude使用如何随时间演变，不同地区的采用模式如何不同，以及——首次展示——企业如何部署前沿AI来解决业务问题。
Claude.ai随时间使用模式的改变
在本报告的第一章中，我们确定了过去八个月Claude.ai使用中的显著变化，这些变化伴随着底层模型能力的改进、新产品功能的发布以及Claude消费者群体的扩大。
我们发现：
- 教育和科学使用份额上升： 尽管Claude用于编程的使用在我们的总样本中仍占主导地位36%，但教育任务从9.3%上升到12.4%，科学任务从6.3%上升到7.2%。
- 用户正在赋予Claude更多自主权： "指令性"对话——用户将完整任务委托给Claude——从27%跃升至39%。我们看到编程中的程序创建增加了4.5个百分点，调试减少了2.9个百分点——这表明用户可能能够在单次交流中实现更多目标。
AI采用的地理分布
我们首次发布了Claude.ai使用数据在150多个国家和美国所有州的地理细分。为了研究扩散模式，我们引入了Anthropic AI使用指数(AUI)来衡量Claude.ai的使用相对于其工作年龄人口是过度还是不足。
我们发现：
- AUI与国家收入高度相关： 与以往的技术一样，我们看到AI采用具有地理集中性。新加坡和加拿大的人均使用率最高，分别是预期值的4.6倍和2.9倍。相比之下，包括印度尼西亚(0.36倍)、印度(0.27倍)和尼日利亚(0.2倍)在内的新兴经济体使用Claude较少。
- 在美国，地方经济因素塑造使用模式： 华盛顿特区领先人均使用率(3.82倍人口份额)，但犹他州紧随其后(3.78倍)。我们有证据表明，地区使用模式反映了当地经济的独特特征：例如，加利福尼亚州IT使用率较高，佛罗里达州金融服务使用率较高，华盛顿特区文档编辑和职业援助使用率较高。
- 领先国家的使用更加多样化： 采用率较低的国家倾向于看到更多的编程使用，而高采用地区在教育、科学和商业领域显示出多样化的应用。例如，印度的编程任务占所有使用的一半以上，而全球约占三分之一。
- 高采用国家显示出较少自动化、更多增强型使用： 在按国家控制任务组合后，低AUI国家更可能委托完成整个任务(自动化)，而高采用地区则倾向于更多的学习和人机迭代(增强)。
早期AI采用的不均衡地理分布提出了关于经济收敛的重要问题。19世纪末和20世纪初的变革性技术——广泛的电气化、内燃机、室内 plumbing——不仅 ushered in 现代经济增长时代，而且伴随着全球生活标准的大幅分歧。4
如果高采用经济体的生产率增益更大，当前的使用模式表明AI的好处可能集中在已经富裕的地区——可能增加全球经济不平等并逆转近几十年来 seen 的增长收敛。5
系统性企业AI部署
在最后一章中，我们首次展示了我们第一方(1P)API流量的很大一部分的见解，揭示了公司和开发者使用Claude完成的任务。重要的是，API用户通过编程方式访问Claude，而不是通过网络用户界面(如Claude.ai)。这展示了早期采用企业如何部署前沿AI能力。
我们发现：
- 1P API使用虽然与Claude.ai使用相似，但在专业化方面有所不同： 1P API使用和Claude.ai使用都专注于编程任务。然而，1P API在编程和办公/行政任务上的使用率更高，而Claude.ai在教育写作任务上的使用率更高。
- 1P API使用以自动化为主导： 77%的企业使用涉及自动化使用模式，而Claude.ai用户约为50%。这反映了API使用的程序性质。
- 能力在塑造企业部署方面似乎比成本更重要： 我们API数据中最常用的任务往往比不太常用的任务成本更高。总体而言，我们发现价格敏感性较弱的证据。模型能力和可行自动化任务的经济价值似乎在塑造企业使用模式方面发挥着更大作用。
- 上下文限制了复杂使用： 我们的分析表明，为模型策划适当的上下文将在复杂领域AI的高影响部署中发挥重要作用。这意味着对于某些公司来说，昂贵的数据现代化和组织投资以获取上下文信息可能是AI采用的瓶颈。
开源数据以促进独立研究
与之前的报告一样，我们已经开源了基础数据，以支持对AI经济影响的独立研究。这个全面的数据集包括Claude.ai和1P API流量的任务级使用模式(映射到O*NET分类以及自下而上的类别)，按任务划分的协作模式细分，以及我们方法的详细文档。目前，地理使用模式仅适用于Claude.ai流量。
我们希望这些数据能帮助他人研究的关键问题包括：
- AI使用和采用对工人和企业的当地劳动力市场影响是什么？
- 决定国家和美国内部AI采用的因素是什么？如何确保AI的好处不仅已经富裕的经济体获得？
- 每任务成本在塑造企业部署模式中扮演什么角色？
- 为什么企业能够自动化某些任务而不能自动化其他任务？这对哪些类型的工人会有更好的或更差的就业前景有何影响？
第一章：Claude.ai随时间使用的变化
概述
了解AI采用如何随时间演变可以帮助我们预测其经济影响——从生产率提高到劳动力变化。从2024年12月和2025年1月(从我们的第一份报告"V1")到2025年2月和3月(
